Что-то осуждается в scikit-Learn Logisti c Регрессия

Question

Я использую курс по Udemy для изучения машинного обучения. Я нашел много устаревшего кода, и теперь у меня есть эта проблема:

Код:

from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(random_state = 0)
classifier.fit(X_train, y_train)

Предупреждение:

C:\Users\admin\Anaconda3\lib\site-packages\sklearn\linear_model\logistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
  FutureWarning)

Как мне избавиться этого предупреждения об устаревании?

Answer 1

Ну, предупреждающее сообщение говорит вам. Все, что вам нужно сделать, это явно указать, какой решатель использовать:

classifier = LogisticRegression(random_state = 0, solver='lbfgs')

(или любой другой решатель, который вы хотите использовать)

Доступные опции см. В документах sklearn. .

Answer 2

В scikit-learn v0.20, который вы, вероятно, используете, значением по умолчанию для solver, использованным в LogisticRegression, было liblinear; из документов :

решатель: str, {'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga '}, по умолчанию:' liblinear '.

Изменено в v0.22 (последняя версия) на lbfgs.

Таким образом, чтобы избежать неожиданностей от этого изменения, scikit-learn предупреждает вас об этом изменении по умолчанию, что будет в будущих версиях, чтобы сохранить ваш код в будущем.

Чтобы избавиться от него, просто определите решатель в своем определении LogisticRegression, то есть

classifier = LogisticRegression(random_state = 0, solver='lbfgs') # default in v0.22

или

classifier = LogisticRegression(random_state = 0, solver='liblinear') # default until v0.21

Первая ссылка на документацию, указанная выше показывает все доступные опции, а также краткие комментарии / советы по каждому из них.

Answer 3

Попробуйте использовать

classifier = LogisticRegression(random_state=0, solver="liblinear")

И параметр решателя проверки в документации: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html